[發明專利]一種生成式對抗網絡建模方法及裝置

在審

• 申請號: 201810031539.1
• 申請日: 2018-01-12
• 公開（公告）號: CN108197700A
• 公開（公告）日: 2018-06-22
• 發明（設計）人: 李利蘋;李立軍;朱湘軍;彭永堅;汪壯雄;周智恒;胥靜
• 申請（專利權）人: 廣州視聲智能科技有限公司;廣州視聲智能股份有限公司;華南理工大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06K9/62
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 張春水;唐京橋

1.一種生成式對抗網絡建模方法，其特征在于，包括：

S1：通過殘差網絡構建生成器和判別器；

S2：向所述生成器輸入噪聲生成訓練圖像，將所述生成器的淺層神經網絡的梯度疊加至所述生成器的深層神經網絡中，得到疊加梯度后的生成器；

S3：將所述訓練圖像輸入所述判別器進行判別，得到沃瑟斯坦距離，再在所述判別器對所述訓練圖像進行卷積操作后，得到損失函數，并將所述損失函數反饋至疊加梯度后的所述生成器；

S4：判斷所述沃瑟斯坦距離是否小于預置距離值，若不小于，則重新執行S2，若小于，則結束。

2.根據權利要求1所述的生成式對抗網絡建模方法，其特征在于，步驟S2具體為：

向所述生成器輸入噪聲生成訓練圖像，獲取到所述生成器的淺層神經網絡的梯度，通過預置公式將所述生成器的淺層神經網絡的梯度疊加至所述生成器的深層神經網絡的梯度上，得到疊加梯度后的生成器；

其中，所述預置公式為：

z＝Relu(x+y)

式中，z為疊加后的梯度，x為淺層神經網絡的梯度，y為深層神經網絡的梯度，Relu為激活函數，當x＞0時，f(x)＝x，當x＜0時，f(x)＝0。

3.根據權利要求2所述的生成式對抗網絡建模方法，其特征在于，所述噪聲為隨機噪聲。

4.根據權利要求1所述的生成式對抗網絡建模方法，其特征在于，步驟S3具體為：

將所述訓練圖像輸入所述判別器進行判別，得到判別結果和沃瑟斯坦距離，再在所述判別器對所述訓練圖像進行卷積操作后，且在所述判別器根據所述判別結果和卷積后的訓練圖像的分布生成損失函數后，將所述損失函數反饋至疊加梯度后的所述生成器；

其中，所述損失函數的表達式為：

式中，D(x)為判別器對訓練圖像的判別結果，pr表示預置數據集圖像的分布，pg表示卷積后的訓練圖像的分布，λ為超參數，為梯度。

5.一種生成式對抗網絡建模裝置，其特征在于，包括：

構建單元，用于通過殘差網絡構建生成器和判別器；

疊加單元，用于向所述生成器輸入噪聲生成訓練圖像，將所述生成器的淺層神經網絡的梯度疊加至所述生成器的深層神經網絡中，得到疊加梯度后的生成器；

判別單元，用于將所述訓練圖像輸入所述判別器進行判別，得到沃瑟斯坦距離，再在所述判別器對所述訓練圖像進行卷積操作后，得到損失函數，并將所述損失函數反饋至疊加梯度后的所述生成器；

判斷單元，用于判斷所述沃瑟斯坦距離是否小于預置距離值，若不小于，則重新觸發疊加單元，若小于，則結束。

6.根據權利要求5所述的生成式對抗網絡建模裝置，其特征在于，疊加單元還用于向所述生成器輸入噪聲生成訓練圖像，獲取到所述生成器的淺層神經網絡的梯度，通過預置公式將所述生成器的淺層神經網絡的梯度疊加至所述生成器的深層神經網絡的梯度上，得到疊加梯度后的生成器；

其中，所述預置公式為：

z＝Relu(x+y)

式中，z為疊加后的梯度，x為淺層神經網絡的梯度，y為深層神經網絡的梯度，Relu為激活函數，當x＞0時，f(x)＝x，當x＜0時，f(x)＝0。

7.根據權利要求6所述的生成式對抗網絡建模裝置，其特征在于，所述噪聲為隨機噪聲。

8.根據權利要求5所述的生成式對抗網絡建模裝置，其特征在于，判別單元還用于將所述訓練圖像輸入所述判別器進行判別，得到判別結果和沃瑟斯坦距離，再在所述判別器對所述訓練圖像進行卷積操作后，且在所述判別器根據所述判別結果和卷積后的訓練圖像的分布生成損失函數后，將所述損失函數反饋至疊加梯度后的所述生成器；

其中，所述損失函數的表達式為：

式中，D(x)為判別器對訓練圖像的判別結果，pr表示預置數據集圖像的分布，pg表示卷積后的訓練圖像的分布，λ為超參數，為梯度。